معرفی و دانلود کتاب شناسایی آماری الگو - جلد اول: یادگیری نظارتی مقدماتی

معرفی کتاب شناسایی آماری الگو - جلد اول: یادگیری نظارتی مقدماتی

کتاب شناسایی آماری الگو - جلد اول برای دانشجویان ارشد و دکتری هوش مصنوعی توسط زهره عظیمی فر و احسان احمدی تالیف شده و اطلاعات مفیدی را در اختیار پژوهشگران علوم کامپیوتر قرار می‌دهد. شناسایی الگو یکی از گرایشات علم کامپیوتر و هوش مصنوعی‌ست که هدف آن یادگیری و شناخت الگوهای موجود در محیط فرضی و نشان دادن کنش متناسب در موقعیت‌های مشابه جدید می‌باشد.

درباره‌ی کتاب شناسایی آماری الگو - جلد اول

هوش مصنوعی به عنوان گرایشی از علم کامپیوتر، به دنبال طراحی ماشین‌ها و نرم افزارهای هوشمندی‌ست که رفتار و عملکرد مشابه انسان داشته باشند و حتی شبیه انسان فکر کنند.

علم یادگیری ماشین نیز یکی از زیر شاخه‌های هوش مصنوعی است که طراحی و پیاده‌سازی سیستم‌های هوشمند بر اساس داده‌ها را مورد مطالعه قرار می‌دهد. به عبارت دیگر، چنین علومی قصد دارند سیستم‌های هوشمندی به وجود آورد که قدرت تمیز دادن، پیش‌بینی کردن و گروه‌بندی کردن را داشته باشند.

یک روش یادگیری در علم شناسایی الگو که در این کتاب مورد بررسی قرار می‌گیرد یادگیری نظارتی (با ناظر یا معلم) است. در این روش هر الگو یک برچسب دارد که خروجی مطلوب آن الگو می‌باشد. اگر خروجی سیستم یادگیری نظارتی گسسته در نظر گرفته شود مساله طبقه‌بندی نام می‌گیرد و تابعی که ورودی را به خروجی نگاشت می‌کند طبقه‌بندی کننده نامیده می‌شود. در صورت پیوسته بودن خروجی یا همان برچسب الگوها در سیستم یادگیری نظارتی، مساله شناسایی الگو یک مساله‌ی رگرسیون خواهد بود.

دکتر زهره عظیمی فر و مهندس احسان احمدی در کتاب شناسایی آماری الگو - جلد اول شیوه‌های یادگیری با نظارت را در حد مقدماتی بیان می‌کنند و الگوریتم‌های پیشرفته‌تر از این دسته و الگوریتم‌های یادگیری بدون نظارت را در جلدهای بعدی مورد بررسی قرار خواهند داد.

کتاب شناسایی آماری الگو - جلد اول مناسب چه کسانی است؟

علاقمندان و دانشجویان مهندسی کامپیوتر و هوش مصنوعی از این کتاب نکات کاربردی و مفیدی می‌آموزند.

در بخشی از کتاب شناسایی آماری الگو - جلد اول می‌خوانیم

هر گاه مدل رگرسیون خطی بسیار ساده و دارای دقت کم روی داده‌های آموزشی باشد، گفته می‌شود که مدل روی داده‌ها کم تطابق شده است و در نقطه‌ی مقابل، اگر مدل بسیار پیچیده و دارای دقت بسیار بالا روی داده‌های آموزشی شود که باعث کاهش عملکرد روی داده‌های آزمون گردد گویند مدل بیش تطابق شده است.

دسته‌ای از الگویتم‌های یادگیری که با تعداد ثابتی پارامتر روی داده‌ها منطبق می‌شوند را الگوریتم‌های یادگیری پارامتریک و از طرفی الگوریتم‌هایی که تعداد پارامترهای آن‌ها با افزایش تعداد داده‌های آموزشی افزایش پیدا می‌کند، الگوریتم‌های غیر پارامتریک می‌نامند.

در مدل رگرسیون خطی یک مدل کلی وجود دارد و تاثیر همه‌ی داده‌ها در تعیین پارامترهای مدل یکسان می‌باشد. ولی انتظار می‌رود در تعیین برچسب یک نمونه داده‌های اطراف تاثیر بیشتری نسبت به داده‌های دور داشته باشند. مدل رگرسیون محلی وزن دار شده با در نظر گرفتن وزن برای داده‌ها و یادگیری یک مدل خطی برای هر ناحیهای محلی این کار را انجام می‌دهد.

فهرست مطالب کتاب

پیشگفتار
تشکر و قدردانی
علایم ریاضی
مقدمه
شناسایی الگو چیست؟
شی، ویژگی و الگو
فضای ویژگی
نرمال سازی داده‌ها
انتخاب و استخراج ویژگی
آموزش و آزمون
روش‌های مختلف یادگیری
شمای کلی سیستم‌های با یادگیری با نظارت
خلاصه فصل
تمرینات
مراجع
رگرسیون
مقدمه رگرسیون خطی
راه حل مستقیم
الگوریتم کاهش گرادیان برای پیدا کردن پارامترها
پیچیدگی مدل
رگرسیون به صورت محلی وزن‌دار شده
تفسیر آماری از روش کمترین مربعات
خلاصه‌ی فصل
تمرینات
مراجع
رگرسیون منطقی
مقدمه
رگرسیون منطقی دو کلاسه
یادگیری پارامترهای رگرسیون منطقی به روش نیوتن
مدل‌های خطی تعمیم یافته
رگرسیون سافت مگس
خلاصه‌ی فصل
تمرینات
مراجع
روش‌های یادگیری بیز
روش‌های جداکننده در مقابل روش‌های مولد
آنالیز جداساز خطی
آنالیز جداساز درجه دو
نگاهی دیگر به LDA و QDA
بیز ساده
نگاهی ملموس‌تر به فرض بیز ساده
طبقه بندی کننده‌ی بیز ساده در قالب یک مثال
خلاصه‌ی فصل
تمرینات
مراجع
کار با متلب
مقدمه
پنجره‌های اصلی
محاسبات ریاضی
عملیات ماتریسی
کار با رشته‌ها
توابع در متلب
کنترل جریان
رسم نمودار
پیوست
اً جبر خطی
ب حساب ماتریسی
ج گرادیان
د احتمال
متغیر تصادفی
تابع توزیع تجمعی
تابع چگالی احتمال
میانگین
واریانس
کواریانس
توزیع برنولی
توزیع دو جمله‌ای
توزیع نرمال یا گوسی
نمایه
شکل‌های کتاب با کیفیت بالا